STATISZTIKAI SZEMLE,99. ÉVFOLYAM 11. SZÁM 1120–1121. OLDAL
Kiadók ajánlata
POSTIGLIONE, P. – BENEDETTI, R. – PIERSIMONI, F. [2021]: Spatial Econometric Methods in Agricultural Economics Using R.
(Térökonometriai módszerek használata R-rel az agrárgazdaságtanban.) Taylor & Francis Inc.
Portland.
A mezőgazdasági erőforrásokra irányu- ló megfigyelésekben egyre elterjedtebbé vál- nak olyan technikák, mint a térinformatika és a távérzékelés, melyek alkalmazásához hatékony adatgyűjtési és -elemzési módszerekre van szükség. A földről mint kulcsfontosságú me- zőgazdasági erőforrásról gyűjtött adatok nagy része térbeli jellegű, illetve a georeferencia módszertanának alkalmazásával térképekhez kapcsolható. Napjainkban a statisztikai hivata- lok amellett, hogy földrajzi nómenklatúra- kódok szerint georeferálják a mezőgazdasági összeírások mintavételi keretét, megadják minden rekord pontos vagy becsült pozícióját is. Ez utóbbi információkat az agrárgazdaság- tan bonyolult térökonometriai modellek kidol- gozására használja. A térinformatikai techno- lógia fejlődésével újabb és újabb eszközök állnak az agrárközgazdászok rendelkezésére, melyekkel képesek kezelni nagy, komplex térbeli adatbázisokat, összekapcsolni egymás- sal különböző forrásokból származó térbeli információkat, valamint előállítani modelleket, táblázatos és grafikus outputokat. Ezeknek az eszközöknek köszönhetően számos művelet hajtható végre térinformációs adatokkal, me- lyek tipológiáját azonban sokan figyelmen kívül hagyják a hagyományos adatbázisok használatakor.
A kötet a mezőgazdasági adatok fő tí- pusait és az elemzésükre szolgáló módszereket tárgyalja, valamint részletesen bemutatja az elérhető adatforrásokat és az adatgyűjtés
folyamatát. Egyaránt foglalkozik a különböző adattípusok integrációjából adódó problémák- kal és olyan témákkal, mint a térbeli interpolá- ció, a pontminták, a térbeli autokorreláció, a felvételi adatok, a kisterületi becslés, a regi- onális adatmodellezés és a térökonometriai technikák.
SCHOUTEN,B.– VAN DEN BRAKEL,J.– BUELENS, B. – GIESEN, D. – LUITEN, A. – MEERTENS, V. [2021]: Mixed-Mode Official Surveys: Design and Analysis. (Kevert módú hivatalos adatfelvételek: tervezés és elemzés.) Taylor & Francis Ltd. London.
Számos statisztikai hivatal hajt végre
„kevert módú” adatfelvételeket. Ezek tervezése azonban mind módszertani, mind logisztikai szempontból kihívásokat jelent, hiszen a közöt- tük levő mérési különbségek eltérő kérdőívtervezési, adatgyűjtési és becslési meg- oldásokat tesznek szükségessé. Mindez kiemel- ten érvényes a statisztikai hivatalok által rend- szeresen végzett adatfelvételekre, amelyek a hosszú idősoros hivatalos statisztikák inputjai- ként szolgálnak. Vajon miként kezelhetők e kihívások? Mi a módspecifikus hiba, és hogyan korrigálható? A szerzők ezekre és még sok más kérdésre is választ keresnek kötetükben.
YI,G.Y.–DELAIGLE,A.–GUSTAFSON,P.
(eds.) [2021]: Handbook of Measurement Error Models. (Mérésihiba-modellek kézi- könyve.) Taylor & Francis Ltd. London.
A mérési hiba, amely minden szakterü- leten előfordul (többek között az egészségügyi, járványügyi, közgazdasági, környezetvédelmi, adatfelvételekkel kapcsolatos vizsgálatokban, kutatásokban is), régóta nagy kihívást jelent a szakemberek számára. Bár számos monográfia
KIADÓK AJÁNLATA 1121
STATISZTIKAI SZEMLE,99. ÉVFOLYAM 11. SZÁM 1120–1121. OLDAL
látott már napvilágot az ezzel kapcsolatos problémák kezelésére szolgáló módszerekről és stratégiákról, a témát továbbra is nagy figyelem övezi. A kötet e szakmai munkák sorát gazdagítja. Gondosan szerkesztett fejeze- tei a mérési hiba meghatározása és ismertetése mellett új statisztikai módszereket is tárgyal- nak, egyforma hangsúlyt helyezve az elmélet és a gyakorlat bemutatására. A kiadvány első- sorban azoknak az olvasóknak szól, akik ku- tatni készülnek, és szeretnének betekintést kapni a hibás adatokat is tartalmazó adatállo- mányok használatával járó problémákba, illetve az azok kezelésére szolgáló technikák- ba. Referenciamunkaként szolgál kutatók és adatelemzők számára egyaránt.
MARRON,J.S.–DRYDEN,I.L.[2021]:
Object Oriented Data Analysis. (Objektum- orientált adatelemzés.) Taylor & Francis Inc.
Bosa Roca.
Az objektumorientált adatelemzés olyan keretrendszernek tekinthető, amely a különböző szakterületeken keletkező komplex adatok elemzésének új megközelítései révén teszi könnyebbé az interdiszciplináris kutatá- sokat. A kötet célja ezeknek az új szemlélet- módoknak a bemutatása, segítve ezzel a közü- lük való ésszerű választást.
A szerzők az analitikai módszerek széles skáláját ismertetik, melyek megértését saját tapasztalataikon alapuló, életből vett adatpél- dákkal segítik. A matematikai képletek helyett szándékosan inkább a főbb nézetek tárgyalására
összpontosítanak. Mindemellett az olvasóktól elvárt matematikai ismeretek szintje (beleértve a differenciálgeometriát és a topológiát is) messze meghaladja az általános statisztikait, így a kiadvány elsősorban szakembereknek és poszt- graduális hallgatóknak szól.
KHADIMALLY, S. [2021]: Applications of Machine Learning and Artificial Intelli- gence in Education. (Gépi tanulás és mester- séges intelligencia az oktatásban.) IGI Global.
Hershey.
Napjainkban a tanulási és oktatási mó- dok, modellek jelentős változáson mennek keresztül. Egyre kevésbé választjuk a hagyo- mányosan (ember által) kidolgozott, számított és közzétett megoldásokat, helyettük inkább a gépi kommunikációs, tanulási és oktatási eszközök használatát részesítjük előnyben.
A kommunikáció, az információcsere, vala- mint az adatgyűjtés, -kódolás, -elemzés és -szintetizálás ezért a jelenleginél is innovatí- vabb, technológiaintenzívebb módszerek alkalmazását teszi szükségessé.
A szerző a táv-, gépi és mélytanulásban, valamint a mesterséges intelligenciában rejlő lehetőségeket a XXI. századi tanulási és okta- tási környezetre fókuszálva mutatja be.
Számos témát ismertet, többek között az adat- kódolást és a közösségi hálózati technológiát.
Kötetének nagy hasznát vehetik az oktatók, az adatelemzők, az oktatástechnológusok és -tervezők, valamint a mélytanulás iránt érdek- lődő egyetemi hallgatók.